Multiword expressions in computational linguistics
Expressions polylexicales en traitement automatique des langues
Résumé
One of the most intriguing phenomena in human languages is the creation and use of idiomatic expressions which defy all rules of logical composition. For instance, in Brazilian Portuguese, one can express disagreement with "nem aqui nem na China" (lit. "and-not here and-not in-the China" -> "absolutely not") or "nem que a vaca tussa" (lit. "and-not if the cow coughs" -> "absolutely never"). Idioms like these are prototypical multiword expressions (MWEs), that is, odd interpretations associated to particular word combinations.
Much ink has been spilled on computational processing of MWEs since the famous ``pain-in-the-neck'' paper by Sag et al. (2002). This manuscript overviews research on this topic, with a particular focus on my own scientific interests. I start with a descriptive chapter covering both the linguistic phenomenon and its computational processing, motivating and illustrating abstract notions with textbook-style examples.
The two following chapters cover the tasks of automatic MWE discovery and identification. For both chapters, I start by surveying resources (datasets, corpora), including those whose creation I contributed to. Then, I cover the models used to (a) predict the compositionality of nominal compounds in English, French, and Portuguese, and (b) identify verbal MWEs in running text in the context of the PARSEME project. Both chapters detail the challenges in evaluating the tasks, and contain empirical evaluation results.
Last but not least, I summarise my main results and explore paths of future research which look promising to me. These include the follow-up of MWE processing, semantic lexicon induction, and diversity-oriented NLP. More than a synthesis, this manuscript contains original surveys of related work, contextualises, extends, and articulates my contributions to the field.
Un des phénomènes les plus fascinants des langues humaines est la création et l'utilisation d'expressions idiomatiques qui défient toutes les règles de composition logique. Par exemple, en portugais brésilien, on peut exprimer un désaccord avec "nem aqui nem na China" (lit. "et-pas ici et-pas en-la Chine" -> "absolument pas") ou "nem que a vaca tussa" (lit. "et-pas si la vache tousse" -> "absolument jamais"). Les expressions idiomatiques de ce type sont des expressions polylexicales (EP) prototypiques, c'est-à-dire des interprétations idiosyncratiques associées à des combinaisons de mots particulières.
Beaucoup d'encre a coulé sur le traitement informatique des EP dans le TAL depuis le célèbre article de Sag et al. (2002). Le présent manuscrit donne un aperçu de la recherche sur ce sujet, en mettant l'accent sur mes propres intérêts scientifiques. Je commence par un chapitre descriptif couvrant à la fois le phénomène linguistique et son traitement informatique, motivant et illustrant les notions abstraites par des exemples pédagogiques.
Les deux chapitres suivants couvrent les tâches d'identification et de découverte automatique d'EP. Pour ces deux chapitres, je commence par passer en revue les ressources (jeux de données et corpus), notamment celles auxquelles j'ai contribué. Ensuite, je présente les modèles utilisés pour (a) prédire la compositionnalité des EP nominales en anglais, français et portugais, et (b) identifier les EP verbales en contexte, dans le cadre du projet PARSEME. Les deux chapitres détaillent les défis posés par l'évaluation de ces tâches et contiennent des résultats d'évaluation empiriques.
Enfin, je résume mes principales contributions et explore les pistes de recherche futures qui me semblent prometteuses. Celles-ci incluent la poursuite du travail sur les EP, l'induction de lexiques sémantiques, et le TAL orienté diversité. Plus qu'une synthèse, ce manuscrit contient des études originales de travaux connexes, contextualise, étend et articule mes contributions au domaine.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
